基于隶属度传播的重叠社区发现算法

发布时间：2021-07-14 06:32

　　复杂网络可以自然的表示许多复杂问题,因此复杂网络可以用来解决现实世界中存在的许多问题。在许多不同的领域中,复杂网络的表示是不一样的,如在社会领域有社会关系网络,在生物学领域有基因调控网络、蛋白质相互作用网络等。在这里,复杂网络通常具有可辩别的社区结构。社区结构可以被看作一种“网络簇”。在复杂网络中,属于同一个社区的节点彼此之间密切相连,社区内存在大量的内部边,而来自不同社区的节点相互之间连接稀疏,同时网络中存在少量的跨社区相连的边。因此社区内的边稠密的,但社区之间的边是稀疏的。一个复杂网络能够包括许多社区,不同的社区之间相互关联,属于同一社区的节点之间具备类似的功能或者性质,不同的社区中的节点具备差异较大的性质或功能。例如,在社交网络中同一社区中的人具有相同的职业或工作;在蛋白质相互关联网络中,属于同一社区的蛋白质之间也许具有相近的功能。在真实世界的复杂网络中,不同的社区之间存在交互的现象,即不同的社区之间会有部分区域相互重叠,存在一个节点同时属于多个社区的情况。我们将这些节点称为重叠节点,将相互重叠的社区称为重叠社区。重叠节点与重叠社区广泛的存在于现实生活中。例如,社交网络中存在多个... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

社区重叠的复杂网络示意图

SpeakEasy算法流程图

第4章社区发现算法的对比试验与实验结果分析30F1-measure是一个更全面的度量，它将精确率（Precision）与召回率（Recall）结合在一起。4.2与SpeakEasy算法的对比实验在本节中，我们先在150个LFRbenchmark数据集上应用MDPA算法与SpeakEasy算法。随后以NMI值和Omega指数为评价指标，比较两种算法的重叠社区发现的效果，同时也对重叠节点的识别效果和算法运行时间进行比较。最后在真实世界数据集上对两种算法进行比较测试。4.2.1LFRbenchmark数据集比较实验我们在第二章中表3.3生成的LFRbenchmark数据集上对MDPA算法和SpeakEasy算法进行实验测试。图4.1150个LFRbenchmark数据集上MDPA与SpeakEasy的NMI比较图4.1将数据按n和d的不同分为6组，即：（a）n=1000，d=10，（b）n=1000，d=20，（c）n=3000，d=10，（d）n=3000，d=20，（e）n=5000，d=10，（f）n=5000，

【参考文献】：
期刊论文
[1]复杂网络社区挖掘综述[J]. 刘大有,金弟,何东晓,黄晶,杨建宁,杨博.  计算机研究与发展. 2013(10)

硕士论文
[1]基于重叠社区发现算法的大豆基因表达数据分析[D]. 李艳振.吉林大学 2017



本文编号：3283617